Dictum:
Life is just a series of trying to make up your mind. -- T. Fuller
不同于近似价值函数并以此计算确定性的策略的基于价值的RL方法，基于策略的RL方法将策略的学习从概率集合(P(a|s))变换成策略函数(pi(a|s))，并通过求解策略目标函数的极大值，得到最优策略(pi^*)，主要用的是策略梯度方法(Policy Gradient Methods)。
策略梯度方法直接对随机策略(pi)进行参数化为(pi(a|s, heta)=Pr{A_t=a|S_t=s, heta_t= heta})，其中(sinmathcal{S})，(ainmathcal{A}(s))，权重参数向量( hetainmathbb{R}^{d^prime}(d^prime<<|mathcal{S}|))，参数化后的策略不再是一个概率集合，而是一个近似函数。
相比于基于价值的RL方法，策略梯度方法的优势如下：
- 基于价值的RL方法依赖于价值函数的估计；而对策略梯度方法，价值函数可以用于学习策略的参数，但没有直接的依赖关系
- 基于价值的RL方法为了寻找最优策略，使用了(epsilon)-贪心策略以(epsilon)的概率选择随机动作；而策略梯度方法可以直接近似一个确定的策略，因此，具有更好的收敛性
- 基于价值的RL方法更适用于离散的动作、状态空间，即使一些改进也需要将连续的动作空间离散化，但这样的映射呈指数形式，增加求最优解的难度；而策略梯度方法在高维或连续动作空间中有效
- 基于价值的RL方法通常只能学习最优策略是确定的，而策略梯度方法可以学习本身就具有随机性的最优策略
缺点如下：
- 策略梯度方法使用梯度上升，容易收敛到局部最优解
- 同时，对策略难以进行有效评估，因为它具有很高的方差
策略梯度定义
策略函数
策略函数是在确定在时序(t)的状态(s)下，采取任何科恩那个动作的具体概率，可以看作概率密度函数。假设策略被参数化为(pi(a|s, heta))，要求(pi(a|s, heta))对参数( heta)的偏导存在，则策略梯度
[egin{aligned}
riangledownpi(a|s, heta) & =pi(a|s, heta)frac{ riangledown pi(a|s, heta)}{pi(a|s, heta)}\
&=pi(a|s, heta) riangledownln pi(a|s, heta)
end{aligned} ag{7.1}
]
( riangledown logpi(a|s, heta))是得分函数(score function)。
- Softmax Policy
针对离散且有限的动作空间，可以使用softmax策略，对每一个“状态-动作”二元组估计一个参数化的数值偏好(h(s,a, heta)inmathbb{R})，然后利用softmax函数对动作加权，如
[pi(a|s, heta)doteq frac{e^{h(s,a, heta)}}{sum_b e^{h(s,b, heta)}}
]
此时，每个动作的概率正比于指数权重(pi(a|s, heta)propto e^{h(s,a, heta)})。若参数化的偏好值为特征(x(s,a))的线性组合，则(h(s,a, heta)= heta^ op x(s,a))，此时得分函数为
[ riangledownlogpi(a|s, heta)=x(s,a)-mathbb{E}_pi [x(s,cdot)]
]
- Gaussian Policy
针对庞大或连续的动作空间，不能直接计算每一个动作的概率，但可以学习概率分布的统计。通常可以使用Gaussian策略，即对应的动作服从高斯分布(asimmathcal{N}(mu,sigma^2))，则策略可以表示为
[pi(a|s, heta)doteq frac{1}{sigma(s, heta)sqrt{2pi}}expigg(-frac{ig(a-mu(s, heta)ig)^2}{2sigma(s, heta)^2}igg)
]
其中，均值(mu:mathcal{S} imesmathbb{R}^{d^prime} omathcal{R})和方差(sigma:mathcal{S} imesmathbb{R}^{d^prime} omathcal{R}^+)是两个参数化的函数近似器。因此，参数向量可以分为两部分( heta=[ heta_mu, heta_sigma]^ op)，同时特征向量也分为两部分(x=[x_mu,x_sigma])，均值部分可以直接使用线性函数近似，而标准差部分要求为正数，可以使用线性函数的指数形式近似
[mu(s, heta)doteq heta_mu^ op x_mu(s) ext{ 和 }sigma(s, heta)doteqexpBig( heta_sigma^ op x_sigma(s)Big)
]
此时得分函数为
[ riangledownlogpi(a|s, heta)=frac{(a-mu(s))x(s)}{sigma^2}
]
性能度量
有了策略函数，还要定义性能度量来衡量策略的好坏。一般将智能体累积折扣奖励的期望作为目标函数，用(J( heta))表示。利用相关策略的目标函数(J( heta))的梯度上升更新( heta)，从而最大化奖励的期望：
[ heta_{t+1}= heta_t+alpha riangledownwidehat{J( heta_t)} ag{7.2}
]
在幕式任务和连续任务这两种不同的情况下，性能度量的定义是不同的：
- 起始价值(start value)
针对幕式任务，将性能度量定义为该幕起始状态的价值，即
[J_1( heta)doteq v_{pi_ heta}(s_0)=mathbb{E}_{pi_ heta}[v_0]
]
其中，(v_{pi_ heta})是执行策略(pi_ heta)的真实的价值函数。适用于能够产生完整经验轨迹的环境，即从状态(s_0)开始，以一定的概率分布达到终止状态时序段内，智能体获得的累积奖励。
- 平均价值(average value)
在连续任务中，智能体没有明确的起始状态，可以基于智能体在时序(t)的状态分布，针对每个可能的状态计算从(t)开始持续与环境交互所能获得的奖励，并按其状态的概率分布求和，即
[J_{avgV}( heta)doteqsum_{sinmathcal{S}}d_{pi_ heta}(s)v_{pi_ heta}(s)
]
其中，(ssim d_{pi_ heta}(s))表示状态(s)服从根据策略(pi_ heta)生成的马尔科夫链的状态分布。
- 每时序平均奖励(average reward per time-step)
平均价值使用时序(t)下状态的平均价值，而每个时序的平均奖励使用时序(t)的状态下所有动作的期望，即在时序(t)先计算出智能体所有状态的可能性，然后计算出在每一种状态下采取所有可能动作获得的即时奖励，并按其对应的概率求和，即
[egin{aligned}
J_{avgR}( heta)doteqmathbb{E}_{pi_ heta}[r] &=sum_{sinmathcal{S}}d_{pi_ heta}(s)sum_{ainmathcal{A}}pi_ heta(a|s)r_{s,a} \
&=sum_s d_{pi_ heta}(s)sum_api(a|s)sum_{s^prime,r}p(s^prime,r|s,a)r
end{aligned}
]
其中，(d_{pi_ heta}(s)=lim_{t oinfty}Pr{s_t=s|s_0,pi_ heta})是策略(pi_ heta)下状态的稳态分布，(s_0)独立于所有策略，(r_{s,a})是状态(s)下执行动作(a)得到的即时奖励。它实际上是单步MDPs，也就是从状态(ssim d(s))开始，根据策略(pi)执行动作(a)，此时得到了一个奖励值(r)，完成了一个时序后结束。
策略梯度定理
已经给出了策略函数和性能度量，但通过调整策略参数( heta)来保证性能得到改善仍存在疑点，主要在于策略的性能既依赖于动作的选择，也依赖于动作选择时所处的状态分布，而策略(pi(a|s))的定义是已知状态(s)下动作(a)的概率，因此策略对状态分布的影响未知。这里就引出了策略梯度定理(policy gradient theorem)。
Policy Gradient Theroem
对任何可微策略(pi(a|s, heta))，任意目标函数(J( heta))的梯度都可以表示为
[ riangledown J( heta)proptosum_smu(s)sum_a q_pi(s,a) riangledown_ hetapi(a|s, heta) ag{7.3}
]
在幕式情况下，比例常数为幕的平均长度；在连续情况下，比例常数为1。(mu(s))是同步策略下的状态分布。
(证明见Append)
策略梯度算法
REINFORCE：Monte Carlo Policy Gradient
REINFORCE是一种蒙特卡洛算法，一般应用于幕式任务，也需要在每个幕达到终止状态后才能进行更新。
根据策略梯度定理((7.3))，REINFORCE的目标函数梯度可以写成
[egin{aligned}
riangledown J( heta)
&proptosum_smu(s)sum_a riangledownpi(a|s, heta)q_pi(s,a) \
&=mathbb{E}_pi igg[sum_a q_pi (S_t,a) riangledown pi(a|S_t, heta)igg] \
&=mathbb{E}_pi igg[sum_a pi(a|S_t, heta)q_pi(S_t,a)frac{ riangledown pi(a|S_t, heta)}{pi(a|S_t, heta)}igg] \
&(A_tsimpi，因此sum_a pi(a|S_t, heta)q_pi(S_t,a)可以用q_pi(S_t,A_t)代替)\
&=mathbb{E}_piigg[q_pi(S_t,A_t)frac{ riangledown pi(a|S_t, heta)}{pi(a|S_t, heta)}igg]\
&(根据q_pi的定义，q_pi(S_t,A_t)=mathbb{E}_pi[G_t|S_t,A_t]，G_t是回报值)\
&=mathbb{E}_piigg[G_tfrac{ riangledown pi(A_t|S_t, heta)}{pi(A_t|S_t, heta)}igg]
end{aligned}
]
根据式((7.2))的随机梯度上升，可以得到参数的更新如下
[egin{aligned}
heta_{t+1}
&leftarrow heta_t+alpha G_tfrac{ riangledown pi(A_t|S_t, heta_t)}{pi(A_t|S_t, heta_t)} \
&leftarrow heta_t+alpha G_t riangledown ln pi(A_t|S_t, heta_t) \
end{aligned}
]
参数向量( heta)更新的大小正比于回报(G_t)，使更新朝着更利于产生最大回报动作的方向；同时，它反比于策略(pi(A_t|S_t, heta))，减少非最优动作因选择频率过大导致的性能影响。
REINFORCE with Baseline
带基线的REINFORCE算法可以看作是一种推广形式，它是在策略梯度定理((7.3))上添加一个不随动作(a)变化的任意基线(b(s))，形式如下
[ riangledown J( heta)proptosum_smu(s)sum_aig(q_pi(s,a)-b(s)ig) riangledown_ heta pi(a|s, heta)
]
基线(b(s))不会影响策略的梯度，因为梯度方向的单位向量之和为0，即( riangledown_ heta sum_api(a|s, heta)= riangledown_ heta 1=0)。通常可以将状态价值函数近似(hat{v}(S_t,w))，(winmathbb{R}^m)作为基线，改良后的REINFORCE算法参数更新为
[w_{t+1}leftarrow w_t+alpha^w gamma^t ig(G_t-hat{v}(S_t,w)ig) riangledown_w hat{v}(S_t,w)
]
[ heta_{t+1}leftarrow heta_t+alpha^ heta gamma^t ig(G_t-hat{v}(S_t,w)ig) riangledown_ heta ln pi(A_t|S_t, heta)
]
Append
策略梯度定理(证明)
- 幕式情况
[egin{aligned}
riangledown J( heta)
&= riangledown v_pi(s) \
&= riangledown igg[sum_a pi(a|s)q_pi(s,a)igg] \
&=sum_aBig[ riangledownpi(a|s)q_pi(s,a)+pi(a|s) riangledown q_pi(s,a)Big] \
&=sum_a Big[ riangledownpi(a|s)q_pi(s,a)+pi(a|s) riangledown sum_{s^prime,r}p(s^prime|s,a)(r+v_pi(s^prime))Big] \
&=sum_aBig[ riangledownpi(a|s)q_pi(s,a)+pi(a|s)sum_{s^prime}p(s^prime|s,a) riangledown v_pi(s^prime)Big] \
&=sum_aBig[ riangledownpi(a|s)q_pi(s,a)+pi(a|s)sum_{s^prime}p(s^prime|s,a)sum_{a^prime}[ riangledownpi(a^prime|s^prime)q_pi(s^prime,a^prime)+pi(a^prime|s^prime)sum_{s^{primeprime}}p(s^{primeprime}|s^prime,a^prime) riangledown v_pi(s^{primeprime})]Big] \
&=sum_{xinmathcal{S}}sum_{k=0}^infty Pr(s o x,k,pi)sum_a riangledownpi(a|x)q_pi(x,a) \
&proptosum_s mu(s)sum_a riangledownpi(a|s)q_pi(s,a) \
end{aligned}
]
其中，(Pr(s o x,k,pi))表示在策略(pi)下的(k)步内，状态(s)转移到状态(x)的概率。
- 连续情况
[egin{aligned}
riangledown v_pi(s)
&= riangledown Big[sum_a pi(a|s)q_pi(s,a)Big] \
&=sum_a Big[ riangledownpi(a|s)q_pi(s,a)+pi(a|s) riangledown q_pi(s,a)Big] \
&=sum_aBig[ riangledownpi(a|s)q_pi(s,a)+pi(a|s) riangledownsum_{s^prime,r}p(s^prime,r|s,a)ig(r-r( heta)+v_pi(s^prime)ig)Big] \
&=sum_aBig[ riangledownpi(a|s)q_pi(s,a)+pi(a|s)[- riangledown r( heta)+sum_{s^prime}p(s^prime|s,a) riangledown v_pi(s^prime)]Big] \
end{aligned}
]
由上可以得到
[ riangledown r( heta)=sum_aBig[ riangledownpi(a|s)q_pi(s,a)+pi(a|s)sum_{s^prime}p(s^prime|s,a) riangledown v_pi(s^prime)Big]- riangledown v_pi(s)
]
目标函数的梯度为
[egin{aligned}
riangledown J( heta)
&= riangledown r( heta) \
&=sum_aBig[ riangledownpi(a|s)q_pi(s,a)+pi(a|s)sum_{s^prime}p(s^prime|s,a) riangledown v_pi(s^prime)Big]- riangledown v_pi(s) \
&(对前一项添加状态的权重mu(s)，sum_smu(s)=1，不影响梯度) \
&=sum_smu(s)sum_aBig[ riangledownpi(a|s)q_pi(s,a)+pi(a|s)sum_{s^prime}p(s^prime|s,a) riangledown v_pi(s^prime)Big]- riangledown v_pi(s) \
&=sum_smu(s)sum_a riangledownpi(a|s)q_pi(s,a)+mu(s)sum_api(a|s)sum_{s^prime}p(s^prime|s,a) riangledown v_pi(s^prime)-mu(s)sum_a riangledown v_pi(s) \
&=sum_smu(s)sum_a riangledownpi(a|s)q_pi(s,a)+sum_{s^prime}mu(s^prime) riangledown v_pi(s^prime)-sum_smu(s) riangledown v_pi(s) \
&=sum_smu(s)sum_a riangledown pi(a|s)q_pi(s,a)
end{aligned}
]
References
Richard S. Sutton and Andrew G. Barto. Reinforcement Learning: An Introduction (Second Edition). 2018.
Csaba Szepesvári. Algorithms for Reinforcement Learning. 2009.
Richard S. Sutton et al. Policy Gradient Methods for Reinforcement Learning with Function Approximation. 2000.
Course: UCL Reinforcement Learning Course (by David Silver)